自适应多尺度分解框架：时间序列预测的新范式

论文标题：Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

论文链接：https://arxiv.org/abs/2406.03751

研究背景

自从Dlinear、Nlinear模型提出以来，时间序列预测（TSF）领域长期存在MLP与Transformer两大技术路线的竞争，今天这篇文章还是以NLP为核心：

• Transformer方法：凭借自注意力机制擅长捕捉长程依赖，但计算复杂度高，且易因过度关注突变点而过拟合。
• MLP方法：计算高效且能建模连续时间点的动态性，但受限于线性映射的“信息瓶颈”，难以捕捉复杂时序模式。

本文提出的自适应多尺度分解（AMD）框架，通过MLP架构实现了多尺度时序模式的高效建模，兼具Transformer的表达能力和MLP的效率。其核心创新在于：

• 多尺度分解：将时间序列分解为不同粒度的时序模式（如小时级突变与月级趋势），避免传统方法仅分解为季节/趋势的局限性。
• 自适应融合：通过自相关分析动态加权不同尺度模式的预测贡献，提升对复杂变化的适应性。

方法设计：三模块协同架构

AMD框架由三个核心模块构成：

1. 多尺度可分解混合（MDM）模块

分解：通过平均池化（AvgPooling）将原始序列逐层下采样，得到多尺度时序。

混合：采用残差连接从粗粒度到细粒度逐层融合信息，保留宏观趋势与微观波动的交互。

2. 双重依赖交互（DDI）模块

时序依赖：通过残差MLP块建模相邻时间片段的关联。

通道依赖：引入可调节系数beta抑制跨通道噪声，避免无关变量干扰。

3. 自适应多预测器合成（AMS）模块

时序模式选择器（TP-Selector）：基于门控机制为不同模式分配权重，突出主导模式。

预测器合成：采用稠密MoE（混合专家）结构，加权聚合多尺度预测结果，避免稀疏MoE的负载不均问题。

实验验证

在7个真实数据集（Weather、ETT、ECL等）上，AMD在50/80项任务中达到SOTA，长期预测：在Weather数据集上，AMD的MSE（0.223）优于PatchTST（0.226）和DLinear（0.240）。 短期预测：在PEMS04数据集上，AMD的MAE（0.198）显著低于Crossformer（0.218）。

多尺度信息的价值：输入长度L越大，性能提升越显著，证明AMD能有效利用长程历史信息。 通道依赖的陷阱：跨通道交互可能引入噪声，需通过系数beta抑制。

未来方向与讨论

任务扩充，缺失值填充、异常检测等任务效果如何？ 探索频域多尺度分解（如结合FFT）进一步降低计算成本。 如何权衡多尺度分解的粒度与计算开销？ 稀疏MoE与稠密MoE在时序任务中的优劣？ 非平稳数据下AMD的适应性如何？